Confidence intervals for high-dimensional Cox models
在协变量数可能大于样本量的高维Cox比例风险回归模型中，构造回归系数的置信区间。我们的去偏估计量构造类似于Zhang and Zhang（2014）和van de Geer et al.（2014），但时间相关协变量和删失风险集引入了相当多的额外挑战。我们的理论结果，这提供了条件下，我们的置信区间是渐近有效的，支持广泛的数值实验。
2018-03-03 math.ST stat.ME stat.TH
A maximum penalised likelihood approach for semiparametric accelerated failure time models with time-varying covariates and partly interval censoring
针对含时变协变量和部分区间删失数据的生存分析难题，提出一种基于高斯基函数和约束优化的最大惩罚似然半参数AFT模型拟合方法，并在模拟与晚期黑色素瘤临床试验中验证了其有效性。
2024-12-20 stat.ME
On a penalised likelihood approach for joint modelling of longitudinal covariates and partly interval-censored data -- an application to the Anti-PD1 brain collaboration trial
针对纵向时变协变量测量误差与部分区间删失事件时间问题，提出结合Cox模型的联合建模及惩罚似然估计方法，模拟验证其推断可靠，并用于Anti-PD1试验。
2024-12-04 stat.ME
Model-Assisted Inference for Covariate-Specific Treatment Effects with High-dimensional Data
协变量特异性处理效应（CSTE）代表由某些选定协变量定义的亚群间的异质性处理效应。在这篇文章中，我们考虑边际结构模型，其中CSTE线性表示使用一组基函数的选定的协变量。我们开发了一种新的方法，在高维设置，不仅获得双重强大的点估计的CSTES，但也模型辅助的置信区间，这是有效的，当一个倾向得分模型是正确指定的，但结果回归模型可能被错误指定。对于线性结果模型和离散协变量定义的亚群，点估计和置信区间对于CSTEs都具有双重稳健性。相比之下，现有高维方法的置信区间仅在正确指定倾向得分和结果模型时才有效。我们建立了所提出的点估计和相关的置信区间的渐近性质。我们目前的模拟研究和实证应用表明所提出的方法相比，竞争的优势。
2021-05-24 stat.ME
Which Covariates to Adjust for? Specification-robust Causal Inference in Observational Studies
Stanford University（斯坦福大学）
本文提出一种规范稳健方法，通过重新加权人口和诊断图实现稳健因果推断，提供更紧的置信区间并保持名义覆盖。
2026-10-20 econ.EM stat.ME
Deep learning for interval-censored failure time data from case-cohort studies
针对病例队列设计中的区间删失数据，提出结合深度神经网络与伯恩斯坦多项式的筛子最大加权似然方法，实现非线性变换模型估计，并达到极小极大最优收敛速度，兼具准确性与可解释性。
2025-09-26 stat.ME
A discrete-time survival model to handle interval-censored covariates, with applications to HIV cohort studies
本文提出一类离散时间参数生存模型，通过对区间删失的次要事件、结局和删失机制联合建模，解决协变量区间删失问题，并应用于南非HIV队列研究估计HIV状态对全因死亡率的影响。
2025-06-05 stat.ME
Maximum likelihood abundance estimation from capture-recapture data when covariates are missing at random
针对捕获-再捕获实验中协变量随机缺失问题，本文提出最大经验似然丰度估计方法，证明其渐近正态性与卡方极限分布，并通过模拟和香港黄腹山鹪莺数据验证其均方误差更小、置信区间覆盖率更准确。
2025-07-19 stat.ME
Functional Cox model for interval-censored data
Department of Statistics and Actuarial Science, University of Waterloo（滑铁卢大学统计与精算科学系）
本文提出一种函数Cox模型，用于分析区间截断数据中函数协变量对事件时间的影响，通过惩罚最大似然估计和EM算法进行参数估计，并构建全局检验方法。
2026-05-14 stat.ME
PRESCCO: Efficient Prediction Intervals under a Right-Censored Covariate
Pennsylvania State University（宾夕法尼亚州立大学）；Columbia University Medical Center（哥伦比亚大学医学中心）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
针对右删失协变量下保形预测区间变异性大的问题，提出半参数预测方法，利用分布信息估计半长，在高删失率下实现稳定区间长度与可靠覆盖率，优于保形预测。
2026-09-07 stat.ME
Robust Survival Estimation under Interval Censoring: Expectation-Maximization and Bayesian Accelerated Failure Time Assessment via Simulation and Application
针对区间删失生存数据标准方法不适用的问题，本研究对比EM算法、参数AFT模型、贝叶斯AFT模型三类方法，通过模拟与卵巢癌数据集验证其分层应用价值，为区间删失下的生存估计提供完整策略。
2025-09-01 math.ST stat.AP stat.CO
Rate Optimal Estimation and Confidence Intervals for High-dimensional Regression with Missing Covariates
Carnegie Mellon University（卡内基梅隆大学）；University of Chicago（芝加哥大学）
虽然大多数高维统计学的理论文献都集中在涉及完全观测数据的设置上，但在实践中，缺失值和腐败的设置是常见的。考虑了稀疏高维线性回归模型中设计矩阵的协变量完全随机缺失完全随机缺失时的估计和构造置信区间的问题。我们分析了Dantzig选择器[9]的一个变体来估计回归模型，并使用去偏参数来构建分量置信区间。我们的第一个主要结果是建立上界的估计误差作为模型参数的函数（稀疏水平s，预期的分数观测协变量$ρ_*$，和测量的信号强度$\|β^*\|_2$）。我们发现，即使在一个理想化的设置，协变量被假定为完全随机缺失，有点令人惊讶的是，在完全观察到的设置相反，有一个二分法的依赖模型参数和更快的速度，如果随机设计的协方差阵是已知的。为了进一步研究这个问题，我们的第二个主要贡献是提供下限的估计误差表明，这种差异率是不可避免的极大极小意义上。然后，我们考虑的问题，高维推理存在缺失数据。我们构造和分析置信区间使用去偏估计。在存在缺失数据的情况下，由于去偏矩阵与导频估计器相关的事实，推断变得复杂，并且这需要设计新的估计器和新的分析。我们还补充了我们的数学研究与广泛的模拟合成和半合成的数据，显示我们的渐近预测有限的样本量的准确性。
2017-11-03 cs.LG stat.ME stat.ML
Uniformly valid confidence intervals for conditional treatment effects in misspecified high-dimensional models
消除观察性研究中的混杂效应通常涉及为协变量调整的结果拟合模型。当这些协变量通常是高维的时，这就需要使用稀疏估计器，如Lasso或其他正则化方法。天真地使用这种估计量会产生条件处理效应参数的置信区间，这些参数不是一致有效的。此外，由于协变量的数量随着样本量的增加而增加，因此正确地指定结果的模型是不平凡的。在这项工作中，我们同时处理这两个问题，提供一致有效的条件处理效应的置信区间，无论结果模型是否正确。这是通过纳入治疗选择机制的额外模型来实现的。当两个模型都被正确指定时，我们可以削弱模型稀疏性的标准条件。我们的程序扩展到多变量处理效应参数和复杂的纵向设置。
2019-03-25 stat.ME
Shapley value confidence intervals for attributing variance explained
决定系数$R^2$通常用于测量由多个解释协变量的仿射组合解释的方差。这种解释性的贡献，每个单独的协变量的属性，往往是为了得出推论，每个协变量的重要性，相对于响应现象。最近的一种确定这种属性的方法是通过博弈论的决定系数的Shapley值分解。这样的分解具有期望的效率、单调性和等处理性质。在联合分布为伪椭圆分布的弱假设下，得到了Shapley值的渐近正态性。然后，我们利用这一结果，以构建置信区间和假设检验等数量。蒙特卡罗研究我们的结果提供。我们发现，我们的渐近置信区间是计算优于竞争的自助方法，并能够提高这种间隔的性能。在澳大利亚房地产价格建模的临时应用中，我们采用Shapley值置信区间来识别模型之间协变量的解释贡献之间的显著差异，否则共享近似相同的$R^2$值。这些不同的模型基于2019年和2020年同期的房地产数据，后者涵盖了新型冠状病毒COVID-19到来的早期阶段。
2020-08-08 stat.CO stat.ME
Rejoinder to Reader Reaction "On exact randomization-based covariate-adjusted confidence intervals" by Jacob Fiksel
针对Fiksel的评论，提出解析反转Fisher随机化检验的新方法，处理非单调p值函数（如学生化t统计量），构造保证覆盖率的基于随机化的置信区间，解决现有矛盾并提高计算效率。
2025-02-25 stat.ME
Sparsified Simultaneous Confidence Intervals for High-Dimensional Linear Models
本文提出稀疏化同时置信区间，将模型选择不确定性纳入高维线性模型系数推断，通过区间收缩至零识别不重要协变量，并验证了其渐近性质与实证优势。
2025-01-02 econ.EM stat.ME stat.ML
A regularized multi-state model for covariate selection with interval-censored survival data
本文提出一种正则化多状态模型，在区间删失生存数据和高维协变量下实现变量选择，通过弹性网络惩罚和近端梯度算法估计疾病-死亡模型三个转移的回归参数，并在模拟和Three-City队列中验证了其优于忽略区间删失的竞争风险模型的预测与变量选择性能。
2025-08-22 stat.AP stat.ME
Fine-Gray competing risks model with high-dimensional covariates: estimation and Inference
本文的目的是构造随机截尾下竞争风险数据的Fine-Gray模型中回归系数的置信区间，其中协变量的数目可以大于样本量。尽管来自生物医学应用的强烈动机，但高维Fine-Gray模型在方法学或理论文献中引起的关注相对较少。我们填补了这一空白，开发置信区间的基础上一步偏差校正的正则化估计。我们开发了一个理论框架的偏似然，它没有独立和同分布的条目，因此提出了许多技术挑战。我们还研究了随机截尾下的加权方案的近似误差的竞争风险，并建立新的浓度结果的时间依赖过程。除了理论结果和算法，我们提出了广泛的数值实验和应用程序的非癌症死亡率前列腺癌患者使用的关联医疗保险SEER数据的研究。
2019-04-08 math.ST stat.AP stat.ME
Efficient Estimation of the Additive Risks Model for Interval-Censored Data
与流行的Cox模型（其对至事件危害的时间提供了乘法协变量效应规范）相比，半参数加性风险模型（ARM）提供了有吸引力的加性规范，允许直接评估协变量值变化时风险函数的变化或差异。ARM是一个灵活的模型，允许估计时间无关和随时间变化的协变量。它有一个非参数分量和一个由有限维参数确定的回归分量。本章提出了一种有效的方法，通过minorize-maximize（MM）算法的情况II区间删失数据的非参数和有限维组件的模型的最大似然（ML）估计。我们提出的MM方法的操作特性通过模拟研究进行评估，并通过R包MMIntAdd在乳腺癌数据集上进行说明。预计所提出的计算方法不仅将为ML估计场景提供可扩展性，而且还可以简化其他复杂可能性或模型的计算负担。
2022-03-18 stat.ME
Kernel meets sieve: transformed hazards models with sparse longitudinal covariates
针对时变协变量仅被间歇观测的变换风险模型，本文提出结合核加权对数似然与筛最大似然的估计方法，建立其渐近理论，并通过数值模拟和武汉新冠数据验证了方法的优越性与实用性。
2023-09-18 math.ST stat.ME stat.TH
A Support Vector Machine Based Cure Rate Model For Interval Censored Data
混合治愈率模型是文献中最常用的治愈率模型。在混合固化率模型的背景下，对协变量对固化或未固化概率的影响进行建模的标准方法是使用逻辑函数。这很容易暗示，对固化和未固化的对象进行分类的边界是线性的。在本文中，我们提出了一个新的混合治愈率模型的基础上，区间删失数据，使用支持向量机（SVM）模型的影响，协变量对未治愈或治愈的概率（即，在模型的发生率部分上）。我们提出的模型继承了SVM的特点，并提供了灵活性，以捕捉分类边界是非线性和更复杂的。此外，当协变量维数较高时，新模型可以用来模拟协变量对关联部分的影响。延迟部分由比例风险结构建模。我们开发了一个估计过程的基础上的期望最大化（EM）算法来估计治愈/未治愈的概率和延迟模型参数。我们的模拟研究结果表明，该模型表现出更好的捕捉复杂的分类边界相比，现有的逻辑斯谛回归为基础的混合治愈率模型。我们还表明，我们的模型捕捉复杂的分类边界的能力，提高了相应的延迟参数的估计结果。为了说明的目的，我们提出了我们的分析，通过应用所提出的方法对戒烟的区间删失数据。
2022-08-22 stat.CO stat.ME
Weighted Conformal Prediction for Survival Analysis under Covariate Shift
本文提出了一种加权符合预测方法，用于在协变量偏移下的生存分析，通过理论支持和实验证明其在不同删失水平和偏移情况下的鲁棒性和一致性。
2025-12-03 stat.AP stat.ME
Regression Discontinuity Design with Potentially Many Covariates
Waseda University（早稻田大学）；London School of Economics（伦敦政治经济学院）；Seoul National University（首尔大学）
本文提出了一种结合核权重和ℓ₁惩罚的高维回归不连续设计方法，以稳定处理大量协变量，提升估计效率并保持推断稳健性。
2024-02-18 econ.EM stat.ME
Maximum Likelihood Estimation for Semiparametric Transformation Models with Interval-Censored Data
区间删失经常出现在临床、流行病学、金融和社会学研究中，其中已知感兴趣的事件或故障仅发生在由定期监测引起的区间内。我们制定了潜在的时间依赖性协变量的区间删失失效时间的影响，通过广泛的一类半参数转换模型，包括比例风险和比例优势模型。我们考虑这类模型的非参数极大似然估计，其中每个受试者具有任意数量的监测次数。我们设计了一个EM型算法，收敛稳定，即使在存在时间依赖的协变量，并表明回归参数的估计是一致的，渐近正态，渐近有效的一个容易估计的协方差阵。最后，我们证明了我们的程序的性能，通过广泛的模拟研究和应用程序在泰国进行的艾滋病毒/艾滋病研究。
2016-02-27 stat.ME
Proximal Causal Inference for Complex Longitudinal Studies
关于时变治疗联合效应的因果推断的标准假设是，已测量足够的协变量，以确保在协变量分层内，受试者可在观察到的治疗值之间交换，也称为“序贯随机化假设（SRA）"。SRA经常受到批评，因为它需要准确测量所有混杂因素。实际上，测量的协变量很少能确定地捕获所有混杂因素。通常协变量测量充其量是混杂因素的代理，因此在SRA下的推断无效。在本文中，我们将Miao et al.（2018）的近端因果推断（PCI）框架扩展到半参数边际结构均值模型（MSMM）下的纵向设置。PCI提供了一个机会，了解联合因果关系的设置SRA的基础上测量随时间变化的协变量失败，正式占协变量测量作为不完美的代理的基础混淆机制。我们建立了非参数识别与一对时变代理，并提供了相应的表征定期和渐近线性估计的参数索引MSMM，包括丰富的一类双鲁棒估计，并建立相应的半参数效率界MSMM。广泛的模拟研究和数据应用说明了有限样本的行为所提出的方法。
2022-08-03 math.ST stat.ME stat.TH
An Unbiased Predictor for Skewed Response Variable with Measurement Error in Covariate
针对含测量误差协变量的对数变换右偏响应变量，本文在Fay-Herriot模型下提出无偏小区域预测器与非参数bootstrap区间，并通过模拟和普查数据验证其优势。
2023-08-21 stat.AP stat.ME
Inference with weights: Residualization produces short, valid intervals for varying estimands and varying resampling processes
本文针对加权因果推断中方差估计膨胀、置信区间过保守的问题，提出在加权回归中加入平衡协变量及其与处理交互的残差化稳健标准误方法，并证明其在多种重抽样框架下渐近有效且更精确。
2025-07-25 stat.ME
Tightening Causal Bounds via Covariate-Aware Optimal Transport
本文研究通过协变量感知的最优传输收紧因果界限，提出将条件最优传输（COT）紧松弛为标准最优传输（OT）的方法，结合协变量信息实现更窄的部分识别区间，并提供易于实现的数据驱动估计量，仿真验证了其优越性能。
2025-05-30 stat.ME
Conformal Prediction Under Covariate Shift
我们将共形预测方法扩展到可交换数据的情况之外。特别是，我们表明，加权版本的共形预测可用于计算分布的预测区间的问题中，测试和训练协变量分布不同，但这两个分布之间的似然比是已知的-或者，在实践中，可以准确地估计与访问一个大的未标记的数据集（测试协变量点）。我们对共形预测的加权扩展也更普遍地适用于数据满足某种加权交换概念的情况。我们讨论了我们的新的共形方法的其他潜在的应用，包括潜在的变量和缺失数据的问题。
2020-07-06 stat.ME
Prediction Sets Adaptive to Unknown Covariate Shift
针对未知协变量偏移下预测集构建的难题，提出无分布方法PredSet-1Step，可高效构建具备渐近覆盖率保证的预测集，经理论与实验验证有效。
2023-06-17 math.ST stat.ME stat.ML
PICPIs: Prediction-Interval-Conditional Prediction Intervals
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）；Inria Paris（法国国家信息与自动化研究所巴黎分院）
针对保形预测中边际有效性与完全条件性之间的差距，提出预测区间条件预测区间（PICPIs）框架，通过自一致性条件实现数据自适应分层，并给出构建算法、理论保证及实证比较。
2026-10-14 cs.AI cs.LG math.ST
Dynamic prediction intervals for survival times
University of Bologna（博洛尼亚大学）；Leiden University（莱顿大学）
针对纵向数据下的生存时间动态预测，提出基于惩罚回归校准与保形校准的预测区间方法，相比朴素反转更稳定可靠。
2026-09-10 stat.ME
Pairwise accelerated failure time regression models for infectious disease transmission in close-contact groups with external sources of infection
提出一种成对加速失效时间回归模型，通过接触区间分布同时处理内部与外部感染，模拟及2009年H1N1家庭数据分析表明其能提供有效参数估计，且考虑外部感染源对评估抗病毒预防效果至关重要。
2023-10-24 stat.AP stat.ME
Prediction-Powered Inference with Imputed Covariates and Nonuniform Sampling
Institute for Data, Systems, and Society, Massachusetts Institute of Technology（数据、系统与社会研究所，麻省理工学院）；Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（电气工程与计算机科学系，麻省理工学院）；Stanford Data Science and Department of Statistics, Stanford University（斯坦福大学数据科学与统计学系）
针对机器学习预测作为统计输入时误差导致标准流程失效的问题，本文拓展Predict-Then-Debias估计量，提出适用于非均匀采样与任意特征插补场景的自助法置信区间，无需额外计算且无模型质量假设，区间宽度不劣于传统方法。
2025-11-15 cs.AI cs.LG stat.ME
Capturing heterogeneous time-variation in covariate effects in non-proportional hazard regression models
本文提出一种基于分段指数加性混合模型与函数随机效应的新方法，用于捕捉协变量效应的异质性时变，并通过模拟和脑肿瘤案例验证其优越性。
2025-01-23 math.ST stat.ME stat.TH
Maximum Likelihood Estimation for Semiparametric Regression Models with Interval-Censored Multi-State Data
区间删失多状态数据出现在许多慢性疾病的研究中，其中受试者的健康状况可以由有限数量的疾病状态来表征，并且任何两个状态之间的转换仅已知发生在较宽的时间间隔内。我们通过具有随机效应的半参数比例强度模型来描述潜在的时间相关协变量对多状态过程的影响。本文采用一般区间删失下的非参数极大似然估计（NPMLE），提出了一种稳定的期望最大化（EM）算法。我们证明了所得到的参数估计是一致的，有限维分量是渐近正态的，其协方差阵达到半参数有效界，并且可以通过轮廓似然一致估计。此外，我们通过广泛的模拟研究表明，所提出的数值和推理程序在现实环境中表现良好。最后，我们提供了一个主要的流行病学队列研究的应用程序。
2022-09-16 math.ST stat.ME stat.TH
On the Relation between Prediction and Imputation Accuracy under Missing Covariates
Technical University of Dortmund（多特蒙德工业大学）
在回归或分类问题中缺少协变量可能会禁止直接使用高级工具进行进一步分析。最近的研究已经意识到使用现代机器学习算法进行插补的趋势越来越大。这源于它们在不同的学习问题中表现出良好的预测精度的能力。在这项工作中，我们通过模拟分析之间的相互作用的插补精度和预测精度的回归学习问题与缺失的协变量时，机器学习为基础的方法，插补和预测使用。此外，我们还探讨了在预测环境中使用统计推断程序时的插补性能，例如（有效）预测区间的覆盖率。我们的分析是基于UCI机器学习库提供的经验数据集和广泛的模拟研究。
2021-12-09 cs.LG stat.AP stat.ME
Decomposing Impact on Longitudinal Outcome of Time-varying Covariate into Baseline Effect and Temporal Effect
本文提出将时间变化协变量对纵向结果的影响分解为基线效应和时间效应，通过三种方法解决传统模型无法预测随机增长系数变化的问题，并提供代码实现。
2025-11-30 stat.ME
Regression analysis of multiplicative hazards model with time-dependent coefficient for sparse longitudinal covariates
针对间歇观测纵向协变量下时变系数乘性风险模型，提出核加权方法实现系数函数无偏估计并建立渐近正态性与同时置信带，模拟和ADNI数据验证了方法性能。
2025-03-12 stat.ME
A Time-Varying and Covariate-Dependent Correlation Model for Multivariate Longitudinal Studies
University of Michigan（密歇根大学）
本文提出TiVAC模型，用于多变量纵向研究中时间变化和协变量依赖的相关性建模，通过模拟和案例研究验证其在不同设置下的优越性。
2026-02-24 stat.ME
A robust score test in g-computation for covariate adjustment in randomized clinical trials leveraging different variance estimators via influence functions
Data Sciences and Analytics, Pfizer Inc（辉瑞公司数据科学与分析部）；Division of Biostatistics and Health Data Science, University of Minnesota（明尼苏达大学生物统计学与健康数据科学系）；Institute of Natural Sciences, MOE-LSC, School of Mathematical Sciences, CMA-Shanghai, and SJTU-Yale Joint Center for Biostatistics and Data Science, Shanghai Jiao Tong University（上海交通大学自然科学研究院、教育部拉曼森数学中心、数学科学学院、上海数学中心及上交-耶鲁生物统计与数据科学联合中心）
本文提出一种稳健的g-计算得分检验，用于两样本治疗比较中的协变量调整，通过影响函数的不同方差估计器提升小样本和边界值情况下的统计检验可靠性。
2025-03-17 stat.AP stat.ME
Group-Weighted Conformal Prediction
针对加权保形预测（WCP）因似然比估计误差导致覆盖保证下降的问题，提出组加权保形预测方法，在训练集分层抽样等观测值分组场景中显著提升预测覆盖保证。
2025-04-15 stat.ME
Fast Bayesian Inference in Nonparametric Double Additive Location-Scale Models With Right- and Interval-Censored Data
惩罚B样条通常用于加性模型，以描述具有定量协变量的响应的平滑变化。它通常通过指数族中的条件均值使用对其他条件矩有间接影响的广义可加模型来完成。另一种常见的策略是集中在几个低阶条件矩，留下完整的条件分布未指定。或者，可以假设响应的多参数分布，其中多个参数使用加法表达式对协变量进行联合回归。我们的工作可以连接到后一个建议的权利或区间删失连续响应具有高度灵活和光滑的非参数密度。我们专注于位置-尺度模型的条件均值和标准差中的附加项。从最近的结果在贝叶斯框架下，我们提出了一个快速收敛的算法来选择惩罚参数，从他们的边际后验。它依赖于样条参数的条件后验的拉普拉斯近似。仿真结果表明，这样得到的估计拥有优良的频率属性和提高效率相比，工作高斯假设的方法。我们说明的方法与分析不精确测量的收入数据。
2020-05-11 stat.ME
Omitted covariates bias and finite mixtures of regression models for longitudinal responses
Sapienza Università di Roma（罗马第一大学）
本文提出通过有限混合回归模型解决纵向响应中遗漏协变量偏差问题，通过非参数方法估计随机效应分布以提高模型鲁棒性。
2026-01-12 stat.ME
Power Estimation for Longitudinal Studies with Time Dependent Covariates Using Generalized Method of Moments
Virginia Commonwealth University（弗吉尼亚联邦大学）
本文针对含时变协变量的纵向研究，提出基于广义矩方法（GMM）的两种功效估计方法（Wald法和距离度量法），填补了GMM框架下缺乏实用功效分析工具的空白。
2026-05-28 stat.AP stat.ME
Adaptive Bayesian Sum of Trees Model for Covariate Dependent Spectral Analysis
本文介绍了一种灵活的、自适应的非参数方法，用于估计多个协变量与多个时间序列的功率谱之间的关联。所提出的方法使用贝叶斯树模型的总和，以捕捉复杂的依赖关系和协变量和功率谱之间的相互作用，这是经常观察到的生物医学时间序列的研究。局部功率谱对应的终端节点内的树木估计非参数使用贝叶斯惩罚线性样条。树被认为是随机的，并使用贝叶斯回拟合马尔可夫链蒙特卡罗（MCMC）算法，顺序考虑树的修改，通过可逆跳MCMC技术。对于高维协变量，稀疏诱导Dirichlet超先验树分裂比例被认为是，它提供了稀疏估计协变量的影响和有效的变量选择。通过对树的后验分布进行平均，该方法可以恢复多个协变量之间功率谱的平滑和突变。经验性能通过模拟评估，以证明所提出的方法的能力，准确地恢复复杂的关系和相互作用。建议的方法是用来研究步态成熟的幼儿通过评估与年龄相关的变化，在其他协变量的存在下，功率谱的步幅间隔时间序列。
2021-09-29 stat.AP stat.CO stat.ME
pencal: an R Package for the Dynamic Prediction of Survival with Many Longitudinal Predictors
针对传统生存动态预测方法无法处理大量纵向协变量的问题，研究推出实现惩罚回归校准方法的R包pencal，支持混合效应模型轨迹建模与惩罚Cox模型预测，还可通过并行化提速。
2025-06-13 stat.CO stat.ME
Retarded kernels for longitudinal survival analysis and dynamic prediction
根据观察到的协变量预测患者生存概率是临床实践中的重要评估。这些患者特异性协变量通常在多次随访预约中进行测量。然后，感兴趣的是根据这些纵向测量的历史来预测生存率，并随着更多的观察结果变得可用而更新预测。这些所谓“动态预测”评估的标准方法是联合模型和地标分析。联合模型涉及高维参数化，其计算复杂性通常禁止包括多个纵向协变量。里程碑分析比较简单，但在每个“里程碑时间”丢弃一部分现有数据。在这项工作中，我们提出了一个“延迟内核”的动态预测，坐在两个标准方法之间的复杂性。通过条件风险率直接在协变量测量的观察时间范围内，我们定义了一个模型，考虑到协变量测量的全部历史，但更实用和简约比联合建模。时间依赖关联核描述了早期协变量变化对后期患者风险率的影响。在我们的模型（i）减少到标准的Cox模型的时间无关的协变量的约束下，（ii）包含作为特殊情况的瞬时Cox模型，我们得到两个自然的内核参数化。在应用到三个临床数据集，我们发现，延迟核方法的预测精度是现有的两个标准方法相媲美。
2021-11-10 stat.ME
Multivariate longitudinal modeling of cross-sectional and lagged associations between a continuous time-varying endogenous covariate and a non-Gaussian outcome
针对纵向研究中时变内生协变量违反GLMM假设、数据缺失及非同步测量等问题，本文扩展JMM与JSM两类多变量模型，结合INLA贝叶斯估计方法，实现可解释的协变量与非高斯结局间截面、滞后关联估计。
2025-11-14 stat.AP stat.ME
Clustered random forests with correlated data for optimal estimation and inference under potential covariate shift
University of Cambridge（剑桥大学）
本文提出聚类随机森林算法，通过利用相关数据间的相关性提升估计和推断性能，并探讨协变量偏移下最优权重的选择方法。
2026-01-23 stat.ME stat.ML
Prediction Intervals for Synthetic Control Methods
不确定性量化是综合控制方法分析和解释中的一个基本问题。我们在SC框架中开发了条件预测区间，并提供了这些区间提供有限样本概率保证的条件。我们的方法允许协变量调整和非平稳数据。该结构首先注意到，SC预测的统计不确定性由两个不同的随机性来源决定：一个来自治疗前阶段（可能错误指定）SC权重的结构，另一个来自治疗后阶段（分析处理效应时）不可观察的随机误差。因此，我们提出的预测区间的构建考虑到这两个来源的随机性。为了实现，我们提出了一种基于模拟的方法，以及基于有限样本的概率界参数，自然导致原则性的敏感性分析方法。我们说明了我们的方法使用经验应用程序和一个小的模拟研究的数值性能。实施我们的方法的\texttt{Python}、\texttt{R}和\texttt{Stata}软件包是可用的。
2021-09-07 econ.EM stat.ME
Regression-based Network Reconstruction with Nodal and Dyadic Covariates and Random Effects
网络（或矩阵）重构是一个常见的问题，如果一个矩阵的边界是给定的，矩阵的元素需要预测。在本文中，我们表明，从迭代比例拟合过程（IPFP）或等效的最大熵（ME）得到的预测可以得到的限制极大似然估计依赖于增广拉格朗日优化。基于等价性，我们通过允许外生协变量和随机异质性效应，将网络重构的框架扩展到回归。提出的估计方法进行了比较，与不同的竞争方法的网络重建和矩阵估计。例如，我们将该方法应用于国际结算银行（BIS）提供的银行间借贷数据。该数据集提供了真实网络的全部知识，因此适合评估我们方法的预测。结果表明，包括外源信息允许优越的预测方面的$L_1$和$L_2$错误。此外，该方法允许通过引导程序获得预测区间，该引导程序可用于量化预测的不确定性。
2019-09-04 stat.ME
Smooth Sailing: Lipschitz-Driven Uncertainty Quantification for Spatial Association
MIT LIDS（麻省理工学院LIDS）
针对空间关联推断中模型误设和非随机位置导致现有置信区间失效的问题，本文提出一种仅依赖空间平滑性和同方差高斯误差假设的Lipschitz驱动方法，首次保证名义覆盖率并在真实与模拟实验中优于现有技术。
2025-10-24 cs.LG stat.ME stat.ML
Causal Effects of Modified Treatment Policies under Positivity Violations: A Partial Identification Approach
Columbia University Mailman School of Public Health（哥伦比亚大学麦尔曼公共卫生学院）；Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布隆伯格公共卫生学院）
本研究针对正性条件违反的连续处理，提出内移投影改进的部分识别框架，可稳健估计修正处理策略的因果效应，其置信区间在模拟及农药混合物应用中表现优于传统方法。
2026-08-26 stat.ME
